Fugu-MT 論文翻訳(概要): Evaluating Deep Learning Models for Breast Cancer Classification: A Comparative Study

論文の概要: Evaluating Deep Learning Models for Breast Cancer Classification: A Comparative Study

arxiv url: http://arxiv.org/abs/2408.16859v2
Date: Thu, 08 May 2025 13:34:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-09 21:43:49.536289
Title: Evaluating Deep Learning Models for Breast Cancer Classification: A Comparative Study
Title（参考訳）: 乳がん分類のための深層学習モデルの評価 : 比較検討
Authors: Sania Eskandari, Ali Eslamian, Nusrat Munia, Amjad Alqarni, Qiang Cheng,
Abstract要約: Vision Transformer (ViT) モデルは、その注意に基づくメカニズムにより、94%の検証精度を達成した。本研究は, 臨床現場における乳癌診断の精度と効率を高めるため, 高度な機械学習手法の可能性を示すものである。
参考スコア（独自算出の注目度）: 9.392940888377423
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study evaluates the effectiveness of deep learning models in classifying histopathological images for early and accurate detection of breast cancer. Eight advanced models, including ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, and SqueezeNet, were compared using a dataset of 277,524 image patches. The Vision Transformer (ViT) model, with its attention-based mechanisms, achieved the highest validation accuracy of 94%, outperforming conventional CNNs. The study demonstrates the potential of advanced machine learning methods to enhance precision and efficiency in breast cancer diagnosis in clinical settings.
Abstract（参考訳）: 本研究は,乳がんの早期かつ正確な診断のための病理組織像の分類における深層学習モデルの有効性を評価するものである。 ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, SqueezeNetを含む8つの高度なモデルを比較した。 Vision Transformer (ViT) モデルは、その注意に基づくメカニズムにより、94%の検証精度を達成し、従来のCNNよりも優れていた。本研究は, 臨床現場における乳癌診断の精度と効率を高めるため, 高度な機械学習手法の可能性を示すものである。

関連論文リスト

PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks [39.97710183184273]
本稿では,300Kの病理スライドからなるデータセット上で,自己教師型学習を通じて学習した多種多様な病理基盤モデルPathOrchestraを提案する。このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。 PathOrchestraは27,755のWSIと9,415,729のROIで例外的なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。
論文参考訳（メタデータ） (2025-03-31T17:28:02Z)
EfficientNet with Hybrid Attention Mechanisms for Enhanced Breast Histopathology Classification: A Comprehensive Approach [0.0]
本稿では,ハイブリット・エフィシエント・ネットモデルと高度な注意機構を統合し,特徴抽出を強化し,重要な画像領域に焦点を当てた新しいアプローチを提案する。利用可能な病理組織学データセットを用いて,複数の拡大スケールでモデルの性能を評価する。その結果, 精度, F1スコア, 精度, リコールなどの指標を用いて評価し, 診断精度を向上させる上での本モデルの有効性を実証した。
論文参考訳（メタデータ） (2024-10-29T17:56:05Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection [2.5748316361772963]
本研究は、乳がん検出におけるオリジナルのCNN、転写学習、アンサンブルモデルを含むD-CNNの性能を比較した。アンサンブルモデルは、乳がんの検出と分類において99.94%の最も高い検出と分類の精度を提供する。 CNNを用いた乳癌の検出と分類の精度は,CNNモデルが乳癌の診断に有効であることを示唆している。
論文参考訳（メタデータ） (2024-09-10T17:58:21Z)
Convolutional Neural Networks for Predictive Modeling of Lung Disease [34.1086022278394]
Pro-HRnet-CNNは、HRNetとヴォイド畳み込み技術を組み合わせた革新的なモデルである。従来の ResNet-50 と比較すると,Pro-HRnet-CNN は小型ノジュールの特徴抽出と認識において優れた性能を示した。
論文参考訳（メタデータ） (2024-08-08T01:58:46Z)
Multi-Resolution Histopathology Patch Graphs for Ovarian Cancer Subtyping [2.0661578265672094]
マルチレゾリューショングラフモデルは、パッチの空間的関係を複数の倍率で利用し、各パッチのコンテキストを学習する。卵巣癌に対するグラフモデルの最も徹底的な検証を行う。基礎モデルとマルチレゾリューショングラフネットワークの組み合わせの精度は、これらのモデルの臨床的適用性への一歩となる。
論文参考訳（メタデータ） (2024-07-25T15:08:54Z)
A Comprehensive Evaluation of Histopathology Foundation Models for Ovarian Cancer Subtype Classification [1.9499122087408571]
病理組織学の基礎モデルは、多くのタスクにまたがる大きな約束を示している。これまでで最も厳格な単一タスクによる病理組織学的基盤モデルの検証を報告した。病理組織学的基盤モデルは卵巣がんの亜型化に明確な利益をもたらす。
論文参考訳（メタデータ） (2024-05-16T11:21:02Z)
Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images [1.48419209885019]
本稿では,胸部組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。 UNIの特徴でトレーニングされた当社のトップパフォーマンスモデルでは,平均mAP/mMVスコアが96.7%/91.5%,97.6%/94.2%,BACHデータセットが97.6%/94.2%であった。
論文参考訳（メタデータ） (2024-05-07T11:24:37Z)
Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
論文参考訳（メタデータ） (2024-04-14T12:09:47Z)
Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文参考訳（メタデータ） (2023-11-13T19:51:46Z)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。